Stack Overflow 资深招聘经理:如何招到人

内容管家 AI领域评论0字数 5752阅读19分10秒阅读模式

AI 时代的开发者招聘:岗位稀缺、简历通胀,评估方式正在被重写(上)

一个岗位发出去就收到成百上千份申请,招聘方和候选人都用 AI 生产与筛选简历,彼此还带着防御心态去识别对方有没有"AI 代笔"。在这种对抗性的招聘环境里,招聘人到底在看重什么?以下是 Stack Overflow 人才与文化高级经理(Senior Manager, Talent & Culture)Tom Harvey 的访谈整理。

过去,招聘方扫一眼简历就能判断合不合适——要么写得太啰嗦,要么细节太少。现在的情况相反:每个人都"看起来很棒",像《星球大战》里的汉·索罗,一眼扫过去全是亮点。

这意味着简历已经不太能可靠地反映一个人真实的样子,候选人容易过度包装,而包装会在进入面试环节时被拆穿。

所以招聘方更想要的,是对经历的定性洞察——Tom 强调这是大写的"Experience"。不是"我在某某公司做了很多年",而是"我做过某件具体的事,这段经历把我变成了今天的我":哪一段生产代码曾经罢工、哪个 bug 几乎摧毁了一切、这些事教会了我下次该怎么做。这类素材比过去依赖的履历细节更有趣、也更容易甄别真伪。

同时,Stack Overflow 的招聘准备前置到了与候选人沟通之前:先和用人经理共同敲定"必备项"和"加分项",以及那些不太适合写进 JD、但对筛选有帮助的东西。这块准备还有一层商业目的——越来越多要靠主动接触被动候选人(passive candidates)而非只等投递,所以你对岗位的判断必须有把握,才谈得上把职位讲清楚、把人选吸引过来。

核心变化:AI 让硬指标失效,软指标上位

在 Stack Overflow,招聘逻辑不太绑死"你用语言 X 有多强",而更关心:能不能讲清楚自己做过什么、做过的取舍是什么、如何与团队中的人协作、以及可培养性(coachable)有多高。Tom 认为这种取向在别家公司未必适用,所以他们的态度更开放。

大环境的变化更关键:

  • 语言熟练度不再有同等分量。 因为有了 vibe coding,任何人都能展示"我擅长某样东西",强 proficiency 已经证明不了什么。
  • 所谓"软技能"正在变成核心技能。 那些被贬称为 qualitative markers 的特质——表达、协作、复盘、成长性——现在权重最高。
  • 认知错位仍在。 Tom 认为公司层面其实已经意识到需要这些能力,但市场上很多人的成功标尺仍然是"我擅长 X",而不是"这是我做过的一件事的故事"。

笔试与刷题失效,取而代之的是"修 AI 写的代码"

过去可以在量化维度上筛选,比如"用语言 X 四年"、通过编程测试。现在这些测试基本失效:LLM 让刷 LeetCode 变得容易,pair programming 式的能力测试也不再是原来的测法。

有些公司的做法变成:丢给你一段 AI 生成的有 bug 的代码,看你怎么修。这正在成为技术能力阶段更被看重的技能。难处在于,市场上目前还没有现成的方式来展示这种能力——这本身就是招聘方和候选人共同的痛点。

还有一个正在同步变化的事实:过去的技术筛选面谈,第一关往往是"你到底适不适合",而招聘者需要带入对该岗位实际工作内容的了解。Tom 强调这一点在过去六个月里变化得非常快。

筛选层:ATS 只认关键词,AI 筛选器并非人人想要

面对海量简历,Tom 明确表示不想用 AI 筛选器(AI screener):一是"不想抢自己饭碗",二是这也不是好的候选人体验。他希望对话那端是一个有热情、有信息量、并且带着自己感兴趣的问题来的人。

他的比喻很形象:先看预告片,再看正片——前面那段铺垫,让双方都能带着更好的问题进入正式对话。

现实中的 ATS(Applicant Tracking System)多数仍在为关键词过滤优化,甚至只优化"地点是否匹配"这类非常泛化的条件。地址等方面确实有反欺诈检测,但它建立在整条链路的不信任之上——对招聘方、用人经理和候选人三方都不是好体验,把一次本该是正向的事实核查变成了别扭的开局。

影响与建议

对候选人的建议

  1. 简历不再是最关键的门槛,别把筹码全押在排版与包装上;准备可讲述的"具体事件 + 教训"素材(生产事故、关键 bug、做过的权衡),这是自动化筛选最难伪造的部分。
  2. 把可培养性讲出来:参与方向、策略讨论的比重正在上升,工程师"写代码"与"参与方向讨论"的分界线在移动,这一点过去往往是被交出去的。
  3. 练一下修 AI 生成的代码——它正在取代刷题,成为技术评估阶段的新考题。
  4. 相比被动等待筛选,尽量让自己的公开痕迹少一点模板化痕迹,并在沟通中主动给出可追问的技术细节,把筛选的"看预告片"阶段变成你的主场。

对招聘方与用人经理的建议

  1. 岗位描述前置:与用人经理先对齐必备项与加分项,再开始筛人,这同时决定了能否讲清职位、吸引被动候选人。
  2. 不要把 AI 筛选器当成解法:ATS 的关键词优化叠加不信任链路,正在同时伤害招聘方与候选人的体验。
  3. 重建"预告片 → 正片"的对话节奏,用初筛阶段的时间换取更有信息量的准备时间。
  4. 把评估重心从"会不会写"迁移到"能否讲清做过什么、如何协作、能否被培养"。

行业层面的观察 面试正在从"考技能"变成"考叙述与判断力"。这不是短期噪声,而是招聘供需两端同时被 AI 改写后的结构性变化——内容与工具链也需要相应调整,比如在团队内部沉淀"事件叙述"的表达方式,让工程师习惯用业务语言复盘技术决策,而不只是用代码说明技术决策。

(下篇将继续:技术招聘面谈该带多少业务与技术知识进去,如何在初筛阶段建立足够的信息基础。)

过去的技术面试,问题常常停留在"能不能聊得下去"这一层:面试官只要能读懂候选人所处的位置,就会主动降低预期,笑着说"好,那我假设你了解得不多,我来换个说法"。这样的面试是能过关的。

但现在,这套逻辑正在失效——AI 把"写出一份漂亮答案"的成本压到了接近零,而招聘方对候选人的技术预期反而抬高了一档。这场张力,正在重塑技术招聘的问题设计、简历的作用,以及"什么样的人才算值得招"的判断标准。

"完美答案"本身开始像造假

变化最直接的一点,是技术招聘官自己必须变得更技术。以前是候选人负责把话说明白,现在轮到面试官去理解:团队到底在做什么、这个团队的一个周一长什么样、你要进来之后具体会做什么、以及公司六个月后的业务方向——只有这些都清楚了,才能判断这是不是你想待的地方。

问题在于,候选人也在用 AI 反向准备。面试官的问题越多,候选人就越倾向于把答案先过一遍 AI,结果就是——面试官收到一份毫无瑕疵的答案,而这份答案本来应该让人停下来想一会儿。

"好,这个问题我自己得想想,我的答案到底是什么?" 于是问题本身必须更有分量、更开放,用来逼出技术深度,而不是换来一个漂亮的成品。两边都得准备得更充分,同时也得更愿意接受不完美——这就是当下这个有点反直觉的僵局。

这种"完美即可疑"的判断,已经有人把它推到了极端。有写作圈的朋友故意在文章里留错字、留瑕疵,用来证明"我是人"。而在招聘场景里,做法更直接:把面试录音转成文字,丢给 ChatGPT,问一句"这是不是一个过于完美的答案?",得到的回答是"是"。

因为在 AI 的语境下,完美本身就是造假的标记。所以 AI 在这里扮演的角色,是帮你剔除答案里的"完美",而招聘方真正感兴趣的,恰恰是那些瑕疵背后的东西。

真正想问的:三到五年之后你打算去哪

招聘方在找的,其实是一个愿意把接下来三到五年投入一家公司、并从中获得东西的人。这本该是一场开放的讨论——但在不少行业里,"一份工作干一辈子"这件事正在离我们远去。

所以招聘官会直白地告诉候选人:你显然会把这个地方当成拿到三到五年扎实经验的跳板;那么,基于你现在的起点,你想从这段经验里得到什么,才能撑起你职业生涯的下一阶段?

这个问题的答案不该是完美的。它应该带着一点犹豫,但那份犹豫又必须建立在过往经历之上——"我想把 Databricks 用得更好",或者"我想转去做技术管理"。这样的回答,比一道"对还是错"的判断题能提供多得多的信息。

这也暴露了"五年后你想做什么"这个老问题的失效。面试官被这么问过太多次,标准答案通常是"把这个再做一遍,只不过换成跟别人一起"——还有人补一句"庆祝你第五次问我这个问题"。

问题的核心其实不是理想,而是现实。工作是必需品,职业是奢侈品。与其回避这一点,不如先承认"你确实需要一份能给你薪水的工作",把这个当作合理答案,再去问:在这之上,还有哪些"加分项"能让你愿意留下来?

如果这些信息能在通话之前就拿到,尴尬会消失得多。面试官可以直接说:"看起来你想做这个方向,多讲讲?它从哪来的?我们这里能给吗?这是不是适合你?"

简历已经不够用了

那这些信息能不能从简历里读出来?不能。

在招聘方的经验里,行业文化还没有真正接受"用简历来讲述这个故事"。"把所有东西塞进 A4 纸的一面"是十几年前某个人定下的规矩,而我们至今仍把简历当成一张需要打印出来、坐下来读的纸——我们仍然被"一个固定尺寸能装下多少内容"这件事训练着。甚至连不在这行工作的朋友也认为,简历就是 A4 一页纸,写上任职年份和做过的几件事,也就够了。

这已经不够了。简历只是入场券(table stakes)。招聘方想看到的是更多深度,以及更多"你这个人"——因为招的就是人。

背后的原因是角色边界被整体推移了。面试官不再期待候选人现场写代码,而是期待他成为"一个东西是怎么被造出来的"这场讨论的积极参与者:工程师必须比以前更懂产品,产品经理必须比以前更靠近工程、更贴近代码。每个人都要比过去多做 40% 的事——因为 AI 一边在自动化大量工作,一边又在顶层给你更多可用的信息。

简历解释不了这种转变,因为工作方式的这套新语法,社区还没有谈拢。何况简历的信息流本身也已经稀释:一份内容塞进一页、复制到 LinkedIn、再复制进各类申请表,作为"一个人有多强"的标记,它已经不太够用了。

除了当面聊,还有哪些信号能筛出值得做那次初筛通话的人?

真正有效的信号:观点、热情与失败答案是观点。

对某件事的看法、热情、兴趣——"我还在做这份工作,是因为 X,而且我一直在关注 X 这这些年是怎么演进的。"这个 X 过去可能是 Ruby on Rails,现在则可能是"和 bot 打交道"。这种投入感说明,对方愿意继续沿着这条路走下去。

第二个信号是:能不能讲清楚自己最初是怎么入行的。那个最原始的切入点是什么。

以 Stack Overflow 为例,这一点格外关键——他们做的是给开发者用的工具,而这份产品本身建立在二十年来无数人动手做事、成功与失败的积累之上。你的成功是什么?你的失败是什么?他们尤其希望看到一个人走过的路径,以及这个人与产品的长期互动。

对求职者的实际建议

如果你正在准备技术面试,可以把上面这些转成可执行的动作:

  • 不要追求"完美答案"。准备时把定稿的答案丢进 ChatGPT 反问一句"这会不会太完美了",如果对方回答"是",就回到草稿状态,留出思考停顿和不确定的余地。
  • 提前想清楚三到五年的问题。不是准备标准答案,而是准备一个诚实的、带犹豫但有经验支撑的版本:你想从这段经历里带走什么,凭什么。
  • 接受"工作是必需品"这个前提,然后把话题引向你真正关心的部分:什么样的技术、什么样的问题、什么样的人会让你愿意多待三年。
  • 给简历做减法,转而在自我介绍里做加法。一页纸塞满信息已经不是差异化优势,把那些"你这个人"的部分——观点、投入点、入行时的起点与踩过的坑——放回对话里讲。
  • 准备你的失败清单,并讲清楚失败教会了你什么。在技术深度之外,这是最容易被忽略、也最能建立信任的一栏。

注:本文为多段连载的第 2 段,术语与前后文保持一致;参考链接将在全文末尾统一给出。

做招聘相关工作的人,大概不需要再问候选人"听说过 Stack Overflow 吗"。几乎人人都有自己的判断,而且多数时候结论相当一致:"在某些关键时刻,它救过我的命。" 有意思的是,如果能把这种来自真实使用者的信号固定下来、沉淀到一个页面里,价值会非常大。这段访谈讨论的正是这件事:当简历越来越格式化、行业进入 AI 与自动化重塑期,招聘方如何重建对候选人的有效判断,以及一个新的候选人档案机制能否承担这个角色。

一、简历的短板:语气与真实工作方式已经脱节

LinkedIn 等职业社交平台其实做对了一件事——把人们在社交网络上的表达语气,与职业形象融合到了一起。大家已经接受"线上怎么说话应当更好地映照真实状态"。但简历没有跟上:它仍是写给"西装革履的读者"看的正式文本。

受访者的主张很直接:简历的语气应该更接近日常交流方式,因为大量实际工作发生在 Slack、Teams 这类协作工具里。如果能从这些地方读出一个人的表达习惯,那对判断他在工作中如何与他人互动,是相当有帮助的信号。

这些信号当然是主观的,也天然带有偏见。但既然观点和判断确实存在,就应该有机制把它们纳入对人才的评估,而不是只依赖那张标准化的纸。

现实困难也很明显:如果每个候选人都需要一篇博客挂到简历上,时间从哪里来?很多人并没有博客,网站也很久没更新;有人有 GitHub,却不知道它是否有价值、也不知道该怎么呈现。

理想的形态是把这些碎片拼在一起——"这是你如何表达,这是你关注和喜欢讨论的方向,这是你做过的项目,这是你工作过的地方"——从而给出一张相对完整的人的画像。无论面对职业早期候选人,还是带复盘视角的中后期候选人,这种画像的实证价值都远高于目前千篇一律的通用简历。

二、Developer Story:一份会生长的职业档案

在这个思路下,Stack Overflow 重新带回的 Developer Story 被定位为一种新的候选人标记方式。

它更像是对一个人职业历程的一次更准确快照,承载了那些能让对话顺利起步的定性信息。它可以存放你亲手构建或撰写过的作品的直链,恰好容纳在"我是一个技术人/开发者"这个干净的标签里。

几个关键特征:

  • 不要求塞进一张 A4 纸的背面,也不需要通过关键词过滤。
  • 它应当是一份持续更新、动态生长的职业文档或活博客,而不是投递时的一次性附件。
  • 职业越资深,能从中获取的信息越丰富,之后关于"岗位匹配度"的对话就越具体。
  • 对刚起步的候选人,它能标记出你是真正投入其中的人——不是只想靠"vibe code"混进岗位,而是理解这背后是什么。

在职位数量减少、进入工程领域越来越难的背景下,单张 A4 纸显然装不下一个人真实的技术轨迹。Developer Story 希望提供的,是一份让社区能够展示"自己为了提升技能和知识究竟做了什么"的作品集。

三、声望值的重新定位,以及信任问题

关于 Stack Overflow 上曾经被写进简历的声望数字,受访者的态度发生了调整。

它仍然有意义,因为它反映的是:你帮助过多少人、参与度有多高、在这个站点上花了多少时间提问和回答——这些行为都在为别人的工作生活创造价值。

但它不应再被当作"你在某个方面有多强"的评级。更合理的定位是:它衡量你投入这个行业演进的程度,以及你在其中扮演什么角色。这也是 Stack Overflow 自身调整方向的地方。

至于信任,受访者把希望寄托在 Developer Story 能否成为修复市场互信的工具上:

  • 眼下正处在信任的低点,双方怀疑都很高,而且理由充分。
  • 在自动化与 AI 普及的背景下,"如何把人留在流程中"是一个真问题;Developer Story 应该由人来策划、构建,并以此为荣,因为只有人才能更真实地反映自己。
  • 正因为大量例行工作已经外包给 AI,企业比以往更需要雇人。他们想知道的是:你如何说话、如何互动、如何思考,以及你不知道什么。从这些信息开启一次对话,对双方都是很好的起点。

对此更直白的说法是:证明一个人是人,比做一次 Voight-Kampff 测试容易多了。这无非是说——"我想和你本人对话",而不是那个把回答先过一遍 AI 过滤器的对象。这被认为是当下行业面临的最大问题。

四、对候选人与招聘方的落地建议

对候选人

  1. 把 Developer Story 当成长期维护的职业作品集,而不是临时附件:持续更新你在写、在做的东西,并附上直链。
  2. 不要只依赖简历。GitHub 有价值,但需要主动呈现——让招聘方一眼看懂你在关注什么、解决什么问题。
  3. 主动展示沟通风格与思考过程。在 Slack、Teams 上的表达方式,本身就是工作协作能力的证据。
  4. 面对 AI 筛选,用"人味"建立差异:具体经历、判断依据、偏好与盲区,比关键词更能让对话继续下去。

对招聘方

  1. 把简历当作入口而非结论,配合作品集、代码仓库和持续写作记录一起评估。
  2. 用声望值衡量参与度与行业投入,而不是直接换算成某项技术能力。
  3. 尽量让人参与初筛与对话,避免让 AI 代理成为第一道实质门槛。
  4. 在岗位竞争激烈时,主动降低材料的形式化门槛——一张 A4 纸承载不了真实的技术轨迹。

对招聘市场而言,这场变化的核心不是再造一份更漂亮的简历,而是把"人如何思考、如何表达、如何持续做事"重新纳入判断依据。

 
内容管家

发表评论